| 연구목표 |
AI를 개발하기 위해서는 대량의 원천데이터를 수집하여 학습데이터로 정확히 가공(레이블링)해야 함. 특히, AI의 범용성과 높은 성능을 위해서는 다양한 사람들로 구성된 수집 풀이 필요하며, AI 개발의 병목이 되는 대량 데이터 가공을 빠르고 정확하게 처리해야 함. 현재 불특정 다수의 참여로 데이터를 수집, 가공하는 크라우드소싱 방식이 본 문제를 해결할 수 있... |
| 연구내용 |
현재 주관기관 셀렉트스타는 크라우드소싱 플랫폼(캐시미션)을 자체 보유중임. 크라우드소싱 플랫폼의 역할은 AI 학습데이터를 수집 및 가공(레이블링)하기 위해 다수의 작업자를 활용한다는 점에 있음. 학습데이터를 생산하기 위해서 고객사의 요청 사항을 플랫폼에 공개하고 다수의 작업자가 접근하여 고객사의 요청사항에 맞게 작업함. 그 결과 고객사는 원하는 학습데이터를... |
| 기대효과 |
(1) AI 학습데이터 검수 시스템의 정확도 향상을 통한 플랫폼 경쟁력 확보.(2) AI 학습데이터 검수 비용 약 30%, 전체 데이터 생산 비용 약 15% 절감.(3) AI 학습데이터 생산 속도 30% 이상 증가.(4) 크라우드 규모가 커져 악성 검수자가 들어와도 검수 시스템이 견고해짐. 이를 통해 플랫폼의 확장성(Scalability) 강화.(5) 당사... |
| 키워드 |
AI 학습데이터,딥러닝,작업값 추론,작업자 신뢰도 추론,크라우드소싱 |